基于HMM的軸承故障音頻診斷方法研究.pdf

1、軸承是旋轉(zhuǎn)機(jī)械設(shè)備中應(yīng)用最為廣泛的一種通用部件，其工作運(yùn)行狀態(tài)直接影響到整臺(tái)機(jī)器的性能。論文在結(jié)合理論和實(shí)踐的基礎(chǔ)上，對(duì)基于隱馬爾可夫模型(Hidden Markov Model，HMM)的軸承故障音頻診斷方法進(jìn)行了系統(tǒng)地研究，主要內(nèi)容如下。 (1)軸承音頻信號(hào)包含其運(yùn)行狀態(tài)的重要信息，通過(guò)分析這些信息就能對(duì)軸承進(jìn)行有效的故障診斷，而且音頻信號(hào)能夠非接觸式采集，具有使用方便、成本低廉等優(yōu)點(diǎn)。因此，論文以音頻信號(hào)為研究對(duì)象，并根據(jù)

2、Mel頻率倒譜系數(shù)(Mel-Frequency Cepstrum Coefficients．MFCC)分析著眼于人耳聽覺(jué)特性的特點(diǎn)，首次對(duì)軸承音頻信號(hào)進(jìn)行MFCC特征參數(shù)提取。 (2)根據(jù)離散HMM模型(Discrete Hidden Markov Model．DHMM)中的所有參數(shù)均為離散值的優(yōu)點(diǎn)，論文提出了基于DHMM的軸承故障音頻診斷新方法，具有建模簡(jiǎn)單、運(yùn)算速度快和診斷精度高等特點(diǎn)。實(shí)驗(yàn)結(jié)果表明，平均訓(xùn)練時(shí)間為55.8秒

3、，診斷時(shí)間為0.031秒，診斷精度為90％，取得了較好的效果。 (3)由于采用連續(xù)高斯混合密度函數(shù)可以更合理地描述輸出概率，論文提出了基于連續(xù)高斯混合密度HMM(Contlnuous GaussianMixture Hidden Markov Model，CGHMM)的軸承故障音頻診斷新方法。同時(shí)，利用基于聚類算法的模型參數(shù)初始化方法和標(biāo)定系數(shù)的前向-后向算法對(duì)訓(xùn)練和診斷算法加以改進(jìn)。實(shí)驗(yàn)結(jié)果表明，一般算法的平均訓(xùn)練時(shí)間為110

4、.0秒，診斷時(shí)間為0.81秒，診斷精度為96.3％；本文改進(jìn)算法的平均訓(xùn)練時(shí)間為10.941秒，診斷時(shí)間為0.028秒，診斷精度為97.5％。很明顯，改進(jìn)算法加快了訓(xùn)練和診斷速度，同時(shí)提高了診斷精度。 (4)對(duì)DHMM和CGHMM方法的診斷實(shí)驗(yàn)結(jié)果進(jìn)行了對(duì)比分析。DHMM算法在速度上優(yōu)于一般的CGHMM算法，診斷精度卻低于CGHMM算法。而使用本文的CGHMM改進(jìn)算法，大大縮短了運(yùn)算時(shí)間，平均訓(xùn)練時(shí)間還不到DHMM方法的四分之一